SGNN优化算法的研究及其在图像分割中的应用

针对传统神经网络用于图像分割中存在着网络结构设计复杂、计算量大等缺点,提出了一种基于自生成神经网络(Self-Generating Neural Network,SGNN)的图像分割方法,将图像的每个像素按其灰度值自动聚类,从而实现图像的自动分割。在此基础上,本文着重研究了SGNN网络的优化算法,以期达到更好的分类效果。实验结果表明,该方法可以很好的实现图像分割,无需人为干涉,具有学习自主性高,分类效果明显,抗噪能力强等优点,可广泛用于红外、可见光、X光、MR等多种图像的分割。

一种基于SGNN网络的模糊图像融合算法

首先对现有的M-L算法提出了优化顺序和优化次数的改进;接着提出了对生成的SGNN网络先剪枝再一次优化的综合处理方法;然后对原有的基于SGNN和模糊理论的图像融合提出了两点改进:在原有的图像像素聚类后,加入了综合处理环节,使得图像像素聚类的效果更好;针对由于不同传感器获得的图像灰度特性的不一致导致的聚类后各类类中心的灰度值差别很大,甚至分类数目都不一致的问题,提出了改进的融合方法。仿真证明了所提的模糊融合方法的优越性。

基于SGNN的数字字符识别

自生成神经网络SGNN具有自主学习能力强和计算速度快的特点,可用于识别带噪声的数字字符。首先提取数字字符的特征矢量,然后将特征矢量输入SGNN中对SGNN进行训练建立分类器,通过比较未知样本特征矢量和分类器根节点权值矢量的距离远近从而得到识别结果。实验表明这种方法有较高的识别正确率,其性能优于BP神经网络。

基于SGNN的报税欺诈检测

税收申报欺诈检测是税务机关税收征管和稽查中面临的一个重要问题。提出一种基于自生成神经网络(SGNN)的税收申报欺诈检测方法。首先用采样来的企业经营和财务数据训练好一个SGNN网络,然后用这个SGNN网络判断一个企业的报税额是否真实。实验结果说明所提方法是一种有效的方法:在31个测试样本中,检测精度达93.55%,比基于C5.0的方法高了近10个百分点,而训练时间只需0.1875s。

基于改进自生成神经网络的肺部CT序列图像分割

针对肺实质序列图像分割方法的时效性低和分割不完全性等问题,利用先验知识得到肺部CT序列ROI图像,提出超像素序列分割算法对ROI序列图像进行分割,采用改进的自生成神经网络对超像素进行聚类并优化,根据聚类后样本的灰度和位置特征识别肺实质区域。在序列肺实质图像的分割结果中,单张CT图像的平均处理时间为0.61s,同时能达到92.09±1.52%的平均肺部体素重合度。与已有的方法相比,所提算法能在相对较短的时间内获得较高的分割精准度。

基于改进自生成神经网络的皮肤镜黑色素细胞瘤图像分割

针对皮肤镜黑色素细胞瘤图像,提出一种基于自生成神经网络(self-generating neural net-work,SGNN)的自动分割算法。算法首先采用区域生长的方法将图像进行粗分割;然后将每一个子区域看作一个叶节点,根据节点之间的相邻关系定义连接规则;最后采用SGNN对这些节点进行聚类,完成黑色素细胞瘤图像的分割。本文方法克服了传统SGNN算法对样本训练顺序敏感的缺陷,提高了效率,实验结果表明,该方法能够自适应确定聚类数目并准确分割黑色素细胞瘤图像。